強化學習( reinforcement learning )與深度學習同屬機器學習的範疇，是其中 一 個重要的分支，主要用來解決連續決策的問題。強化不像無監督學習那樣完全沒有學習目標,也不像監督學習那樣有非常明確的目標(如影象分類問題中的label)，強化學習的目標是不明確的，模型只會向著能夠得到更多獎勵的方向去學習。
q學習
在強化學習中， q學習( q learning )是一種學習 action 對應的期望價值(expected utility )的方法。q 學習中的期望價值是指在一系列步驟的決策中總共可以獲取的最大期望獎勵值(即q值，也就是價值)。
約定:xt: 模型連續做出 t 步動作後得到的觀測結果
at:時刻t觀測到xt後所執行的動作
rt:執行動作at獲得的獎懲
rt表示從開始到時刻t為止所獲得的累計價值，那麼:
深度q網路
神經網路可以用來學習q learning，這樣得到的網路模型就是估值網路。深度 q 網路( deep qnetwork， dqn )是 google 的 deep mind 於2013 年提出的第乙個深度強化學習演算法(其他的還有a3c和 unreal)，並在2023年做了進一步的完善。
深度強化學習
這是寫給自己看的，大佬請忽略 深度學習和其他機器學習演算法最大的不同在於如何找到特徵，而特徵的抽取過程就是乙個抽象的全過程。以往機器學習演算法的特徵抽取都是對一類問題有解，比如k means等聚類。深度學習抽象模擬了人類神經元傳遞和連線方式，理論上可以解決多種分類問題和 問題，甚至研究未知領域。深度...
深度強化學習
一 簡介 1 深度強化學習出現的原因 傳統的強化學習中當狀態和動作空間是離散且維數不高時可使用q table儲存每個狀態動作對的q值。然而比較複雜的 更加接近實際情況的任務則往往有著很大的狀態空間和連續的動作空間，這種情況下使用q table不現實。同時實現端到端的控制也是要求能處理高維的，如影象 ...
深度強化學習簡介
強化學習 reinforcement learning 是機器學習的乙個重要分支，它是用來解決連續決策的問題。強化學習的應用範圍十分廣泛，幾乎包括了所有需要做一系列決策的問題，例如控制電擊讓它執行特定任務，玩棋牌遊戲 alphago 等。它能應用到有序列輸出的問題中，即針對一系列變化的環境狀態，輸出...